AI ROI 갭을 메우기 위한 데이터 활성화: 4단계로 비즈니스 가치를 실현하는 에이전트 AI

우리가 4년 연속 “AI의 해”에 들어서면서 많은 조직의 리더들은 두 가지 상반된 질문을 고려하고 있습니다. 첫째, 생성적 AI는 21세기 가장 혁신적인 기술인가? 둘째, AI는 과대평가된 기술인가? 나는 두 질문 모두에 대해 모순적으로 예라고 대답합니다. 하지만 나는 이러한 질문이 잘못된 질문이라고 생각합니다. 대신, 이러한 리더들은 자신에게 다른 질문을 해야 합니다. 즉, 내 조직은 현재 AI에서 비즈니스 가치를 얻을 수 있는 방법은 무엇인가?

현실은 많은 회사들이 지난 3년 동안 새로운 AI 기술에 투자하고 새로운 AI 도구를 실험했지만, 아직까지 예상한 결과를 얻지 못했다는 것입니다. CEO들은 “모든 것을 AI로” 하는 압력을 받고 있지만, 조직은 원하는 ROI를 보지 못하고 있습니다. 이것은 놀라운 일이 아닙니다. 역사적으로 가장 혁신적인 기술은 비즈니스 혁신으로 이어지기까지 시간이 걸렸습니다. 기술 발명과 비즈니스 혁신 사이에는 시간 차이가 있습니다.

토마스 에디슨은 1882년 맨하탄에서 전기의 힘을展示했지만, 1913년까지 포드가 전기 충전식 조립 라인을 공개하기 전까지 전기는 제조업에서 증기力を 완전히 대체하지 못했습니다. 1885년경 사업가가 공장 노동자에게 전기력을 실험하도록 촉구하는 것을 상상해 보십시오. 하지만 전기력은 결국 승리했고, 20세기 많은 혁신적인 발명들의 기초를 마련했습니다. 라디오 전송, 디지털 컴퓨팅 등이 그 예입니다.

보다 최근의 예로, 월드 와이드 웹은 1990년대 초에 대중화되었습니다. 소비자 사용은 즉시 폭발적으로 증가했지만, 기업의 도입은 늦었습니다. 대부분의 기업이 이커머스를 통해 웹의 이점을 얻기까지는 반세기가 걸렸습니다. 하지만 웹은 소셜 미디어, 모바일 참여, 클라우드 컴퓨팅, 그리고 궁극적으로 AI의 기초를 마련했습니다. 비즈니스 가치는 새로운 기술에서 점진적으로 생성됩니다.

전기 시대의 사업이 조립 라인에서 시작되었다면, 웹 시대는 이커머스에서 시작되었다면, AI 사업의 킬러 앱은 무엇일까요? 2022년 말에 출시된 ChatGPT는 대중에게 큰 언어 모델의 힘을展示했습니다. 그 인기로 인해 “나를 이해하고 인간처럼 소통하는 챗봇”이 AI의 적용 방식의 아키타입이되었습니다. 많은 기업이 자신의 챗봇 버전을 만들기 시작했습니다. 하지만 결과는 사용자에게 잘 받아들여졌지만, 비즈니스 생산성에 대한 ROI는 측정하기 어렵습니다.

LLM을 비즈니스에 적용한 가장 잘 발달된 분야는 코딩 어시스턴트입니다. Claude Code, Cursor 등이 널리 사용되고 있습니다. 하지만 연구에 따르면, 개별 개발자의 생산성 향상은 아직까지 전체 조직의 생산성 향상으로 이어지지 못했습니다. 또한 개발 속도를 높여도, 생산물이 비즈니스 가치를 창출하지 않는다면, 조직의 비즈니스 성과에 도움이 되지 않습니다. 코딩 어시스턴트는 AI의 도입을 가속화할 수 있지만, 킬러 앱은 아닙니다.

가장 영향력 있는 AI의 적용을 찾기 위해서는, 조직은 자신의 비즈니스 모델을驱動하는 기어를 집중해야 합니다. 우리의 책 “Unbundling the Enterprise”에서, 스티븐 피什만과 나는 “가치 역학”의 개념을 검토했습니다. 이는 비즈니스 모델을 연결된 가치 교환의 집합으로 분해하는 방법입니다. 가치 교환에는 여러 “화폐”가 포함되며, 여기에는 수수료, 시간 절약, 범위, 품질 개선 등이 있습니다. 가장 독특한 화폐는 데이터입니다. 책에서 우리는 구글과 메타가 데이터 축적을 통해 디지털 우위를 점한 방법을 보여주었습니다. 그들의 성공은 가치 교환에서 데이터를 연결하고 수익을 창출하는 데 있습니다.

많은 조직이 지난 몇 년 동안 데이터를 수집하고 정제했지만, 데이터의 잠재적 이익을 완전히 실현하지 못했습니다. 대규모 언어 모델은 단순히 적용된 데이터입니다. 이는 조직의 비즈니스 모델의 기어에 연결되어야 합니다. 이 “데이터 활성화” 프로세스는 데이터를 신뢰할 수 있고 대규모로 उपलब하게 만들어줍니다. 이는 동적 자동화의 기초를 마련하고, 궁극적으로 조직의 킬러 AI 앱을 발견합니다.

AI 시대에 데이터를 활성화한 조직은 어떤 모습일까요? 다음 시나리오를 고려해 보십시오:

• 새로운 약물을 개발하기 위해 수백만 달러를 투자하고 수년간의 시간을 투자해야 하는 제약 회사에서, 동적 자동화를 통해 임상 시험 기간을 단축할 수 있는 회사로
• 고객들에게 무작위로 제품을 제안하여 거의 채택되지 않고 수동으로 처리해야 하는 은행에서, 개인화된 제안과 신용 심사를 통해 이익이 높은 대출 제품을 채택할 수 있는 은행으로
• 재고 관리 시스템이 과도한 재고와 품절로 곤란한 소매 회사에서, 실시간으로 재고를 파악하고 항상 켜져 있는 AI 에이전트를 통해 공급망을 분석할 수 있는 회사로

이러한 시나리오에서 ROI는 동적 자동화를 통해 달성됩니다. 이는 데이터 활성화에 의해驱動됩니다.

조직은 이 여정을 어떻게 시작할 수 있을까요? 다음은 4단계입니다…

1단계: 조직의 가치 역학을 이해하기

조직의 비즈니스 모델을 기본적인 가치 교환으로 분해하는 것은 여러 가지 이유로 귀중합니다. 결과적인 가치 교환 지도는 비즈니스에서 어떤 능력이 주도하는지, 어떤 비즈니스 기능이 가장 중요하며, 조직의 각 요소가 가치를 창출하고, 획득하고, 분배하는 데 어떻게 기여하는지 보여줍니다. 우리의 목적을 위해, 가치 교환 지도는 동적 자동화를 후보로 할 핵심 비즈니스 프로세스를 시각화하는 데 사용할 수 있습니다. 다음으로, 각 가치 교환과 구성 요소를 조직 내에서 어떻게 운영되는지 매핑할 수 있습니다. 이것은 소프트웨어 애플리케이션, 데이터 저장소, 또는 직원 태스크의 형태일 수 있습니다. 자동화 기회는 영향과 구현 복잡성에 따라 평가하여 AI와 데이터 활성화를 적용할 최선의 위치를 결정할 수 있습니다.

2단계: 데이터 활성화 계층을 통해 옵셔널리티를 전파하기

조직의 데이터 활성화 능력은 디지털 랜드스케이프의 옵셔널리티에 달려 있습니다. 옵셔널리티는 디지털 자산(소프트웨어 함수, 데이터 소스, 제3자 서비스)가 실시간으로 접근 가능할 때 존재합니다. AI의 contexto에서, 이것은 두 가지를 의미합니다. 첫째, 조직은 정확한 추론과 환각을 피하기 위해 LLM에 정교한 contexto를 제공하기 위해 다양한 소스에서 데이터를 종합해야 합니다. 둘째, LLM 기반 애플리케이션이 자동화를 수행하기 위해 핵심 비즈니스 함수(예: 은행의 대출 심사 서비스 또는 소매업체의 실시간 재고 시스템)를 호출할 수 있도록 소프트웨어 구성 요소가 호출 가능해야 합니다. 둘 다에서, API는 데이터와 함수를 적절하게 접근 가능하게 하는 최선의 메커니즘입니다. Model Context Protocol(MCP)은 데이터 활성화를 위한 API 프로토콜로 인기를 얻고 있습니다. 이러한 접근 가능한 능력의 집합을 조직의 contexto 플랫폼으로 만들 수 있습니다. 디지털 랜드스케이프를 일련의 시로된 애플리케이션과 데이터에서 비즈니스와 일치하는 API 계층으로 변환하는 것은 ROI를 데이터 활성화를 통해 달성하는 데 중요합니다.

3단계: 디지털 솔루션의 에이전트 패러다임을 받아들이기

AI 시대의 소프트웨어 솔루션은 등장하고 있습니다. 최적화된 소프트웨어 솔루션은 AI와 비-AI 구성 요소의 균형을 필요로 합니다. AI 에이전트는 이러한 등장하는 아키텍처의 AI 주입 구성 요소입니다. 그들은 contexto 인식에 기반한 추론을 사용하여 도구를 통해 태스크를 수행합니다. 그들은 데이터 활성화와 동적 자동화의 도구입니다. API(包括 MCP 도구)를 통해 옵셔널화된 디지털 랜드스케이프는 이러한 에이전트가 번성하는 가장肥沃한 토양입니다. 에이전트 아키텍처는 결정론적 소프트웨어 구성 요소와 이러한 에이전트를 결합하는 다양한 패턴을 허용합니다. 이러한 패턴은 간단한 챗봇과 워커 에이전트에서 에이전트 워크플로우에 이르기까지 자율적 다중 에이전트 시스템에 이르기까지 다양합니다. 이러한 아키텍처적 접근 방식을 채택하는 조직은 기존 디지털 자산에서 가장 많은 가치를 얻을 수 있을 것입니다.

4단계: 에이전트 자동화를 구축하기 위한 생산성 도구로 AI 사용하기

생산성에 대한 AI의 적용은 높은 ROI를 창출하지 않을 수 있습니다. 하지만 조직의 데이터를 활성화하고 에이전트 자동화를 제공하기 위해 AI의 생산성 향상을 활용할 수 있습니다. 이것은 단순히 개발자의 작업을 가속화하는 것을 의미하지 않습니다. AI 폭발 이전에, 기술의 적용을 이해하는 비즈니스 도메인 전문가와 솔루션을 구축하는 IT 팀 사이의 조직 간격은 가장 큰 장벽 중 하나였습니다. DevOps와 같은 조직적 경향은 이 간격을 좁히는 데 도움이 되었습니다. 하지만 AI는 더 구체적인 방법으로 도움이 될 수 있습니다. 언어 기반 기술인 LLM은 요구 사항과 솔루션 사이를 이전에 없던 방식으로 번역할 수 있습니다. 다중 모달 AI는 비즈니스 스케치를 캡처하여 다운스트림 개발에 사용할 수 있는 아티팩트를 생성할 수 있습니다. 전사본은 프로토타입으로 전환될 수 있습니다. 이것은 데이터 활성화의 새로운 유형입니다. 비즈니스 도메인 지식을 실시간으로 솔루션 스케폴딩으로 전환하는 것입니다.

이 4단계를 따르면, 조직은 데이터를 활성화하고 AI 투자에서 ROI를 볼 수 있습니다. 또한, 조직은 AI 경제가 창출하는 새로운 생태계, 직업, 기회에 대해 더 잘 준비될 것입니다. 비즈니스에서 가치 역학을 이해하고, 디지털 자산을 실행 가능한 옵션으로 전환하며, 에이전트 아키텍처를 중심으로 할 때, 조직은 AI 미래를 자신이 발명함으로써 준비할 것입니다.